论文
仅两个样本的自一致性：用于高效 LLM 推理的 CoT-PoT 集成
Self-Consistency from Only Two Samples: CoT-PoT Ensembling for Efficient LLM Reasoning
摘要
自一致性（SC）是一种通过聚合多个采样输出来提高 大语言模型 推理精度的流行技术，但由于大量采样，其计算成本很高。我们引入了一种混合集成方法，该方法利用两种不同推理模式的互补优势：思维链（CoT）和思维程序（PoT）。我们描述了一个将这两种形式的推理结合起来的通用框架，以及完全采样和提前停止的特定策略。我们表明，CoT-PoT 集成不仅提高了整体精度，而且还将 SC 所需的样本数量大幅减少了 9.3 倍。特别是，大多数任务（78.6%）只需两个样本即可解决，这是任何先前的 SC 方法都无法实现的。